Smart privacy: an anonymization-based framework for smart mobility open data

Abstract

Nas cidades inteligentes, pessoas e veículos são entidades móveis que produzem dados massivos de geolocalização por meio de vários sensores, chamados dados de mobilidade. Esses dados interessam a vários setores e podem ser protegidos, publicados parcialmente ou totalmente e usados para diversos propósitos, chamados de dados abertos de mobilidade inteligente. No entanto, surgem preocupações sobre a privacidade, qualidade e utilidade desses dados, especialmente ao considerar a mobilidade em ambientes dinâmicos como as cidades inteligentes. Para mitigar os riscos à privacidade, como a reidentificação de indivíduos e a exposição de informações sensíveis, foram desenvolvidos Mecanismos de Proteção de Privacidade de Localização (LPPMs). No entanto, muitos LPPMs são projetados para operar em modo estático ou são mal calibrados e não consideram a mobilidade das cidades inteligentes. Outra questão essencial é compreender o comportamento dos LPPMs, que refletem na qualidade de proteção destes dados. Além disso, surge uma questão sobre a utilidade dos SMOD, que está associada ao seu uso generalizado para diversas finalidades, tornando o processo de proteção destes dados mais complexo em termos práticos. Nesse sentido, há um desafio em publicar os SMOD para fins específicos, como os domínios, aplicações e serviços das cidades inteligentes. Considerando esses desafios, o objetivo desta tese é estudar como a privacidade de localização baseada em anonimização pode ser aplicada aos SMOD para atingir os requisitos de privacidade, utilidade e qualidade de anonimização em cidades inteligentes. Orientando este estudo, introduzimos um framework baseado em anonimização para SMOD, que considera os requisitos de privacidade, utilidade e qualidade de anonimização. Assim, avançamos o estado da arte em quatro frentes: (i) propusemos um framework para caracterizar e encontrar similaridades nas distribuições estatísticas extraídas de métricas de mobilidade que evidenciam o impacto da mobilidade na privacidade; (ii) projetamos uma solução capaz de identificar domínios, aplicações e serviços que melhor aproveitam os dados de mobilidade anonimizados; (iii) projetamos uma solução que mensura a qualidade dos dados anonimizados e do funcionamento de mix-zones, um tipo de LPPM baseado em anonimização; e (iv) projetamos um ataque de reidentificação de trajetória eficiente e um esquema de mix-zone dinâmica que ajusta o nível de privacidade ao longo do tempo frente às flutuações de tráfego. Nossas contribuições avançam no projeto de LPPMs, considerando a privacidade, utilidade e qualidade de anonimização de SMOD, aspectos essenciais para o desenvolvimento de cidades inteligentes.